本文提出了一种基于图神经网络和注意力机制的乘客 OD 流量预测框架，通过捕获不同位置出发的请求之间的各种线性和非线性依赖关系以及该地点的重复模式和上下文数据，预测乘客的 OD 流量，同时确定覆盖道路网络的网格单元的最佳大小，得到较优的预测效果。

Jan, 2023

本文介绍了一种基于网络视角的图去噪扩散方法，用于生成城市范围内的 OD 矩阵，并通过区域级别的城市特征来学习所有元素的条件联合概率分布，该方法解决了城市范围内 OD 矩阵数据学习困难的问题，并在本文中针对两个大型美国城市的数据进行了实证实验。

Jun, 2023

本文提出了一种利用图神经网络和卡尔曼滤波器这种异质性预测框架来识别空间和时间模式的 Origin-Destination 需求矩阵预测框架，该框架能够从通行信息中预测时空 O-D 流，并利用新泽西州收费站的数据验证了该模型，结果表明我们的方法在各种预测方案下都能够取得最佳性能，同时也展示了深度学习和卡尔曼滤波相结合的优势。

May, 2019

本文介绍了一种生成城市空间网络的模型：MoGAN，该模型基于生成对抗网络（GANs）算法，通过公共自行车和出租车运动数据集的实验证明 MoGAN 生成的网络真实性优于传统的 Gravity 和 Radiation 模型，可用于数据增强、模拟分析等领域。

Feb, 2022

我们提出了一种细粒度的时空 MLP 结构（ODMixer），用于地铁 OD 预测，该模型通过捕捉 OD 对之间的短期时空关系和长期趋势，有效地分析 OD 之间的细粒度关系，并具有在预测潜在异常条件方面的优势。

Apr, 2024

通过深度学习和数值优化算法相结合的方法，本研究利用神经网络从探测交通流中推断出基于结构的约束，消除了对先前信息的依赖，提供了实时性能，并且在工程上具有经济性。通过测试，在大规模的合成数据集上展示了我们方法的良好泛化能力，并在真实交通数据上验证了我们方法的稳定性，实验证实了结合神经网络和数值优化的优势。

Oct, 2023

本文提出了一种利用深度学习方法推断 OD 序列结构的方法，并使用结构约束引导传统数值优化，以解决 OD 矩阵估计中存在的欠定问题和滞后问题。实验证明，提供的结构信息不仅包含对 OD 矩阵的空间结构的约束，而且还提供了对 OD 序列的时间结构的约束，能够较好地解决滞后问题。

Jul, 2023

提出了 ODformer 模型，使用 OD Attention 机制捕捉 OD 对的特殊空间依赖关系，在与 2D-GCN 相结合后大大提高了模型在不同应用方案下的预测能力，并使用 PeriodSparse 自注意力有效预测不同场景下长序列 OD 矩阵系列。经过大量实验证明，该方法优于现有的最先进方法。

Aug, 2022

通过扩散模型生成没有历史流量数据的区域的动态城市流量，使用城市知识图和增强的扩散模型进行建模，并且通过实验证明其优越性和适用性。

Sep, 2023

本文提出了一种基于张量的常微分方程网络模型来对交通流进行空时预测，并引入了语义邻接矩阵和时态扩张卷积结构以应对传统模型的表达能力不足和建模不准确的问题。在多个真实数据集上的实验结果表明，该模型取得了领先于现有基准的更好的预测结果。

Jun, 2021